Por
Un método de aprendizaje automático desarrollado en el MIT detecta estructuras internas, huecos y grietas dentro de un material, en función de los datos sobre la superficie del material. En el cubo superior izquierdo, los campos que faltan están representados por un cuadro gris. Luego, los investigadores aprovechan un modelo de IA para completar el espacio en blanco (centro). A continuación, las geometrías de las microestructuras compuestas se identifican en función de los mapas de terreno completos utilizando otro modelo de IA (abajo a la derecha). Crédito: Jose-Luis Olivares/MIT e investigadores
Un nuevo método podría proporcionar información detallada sobre estructuras internas, huecos y grietas, basándose únicamente en datos de condiciones externas.
Maybe you can’t tell a book from its cover, but according to researchers at MIT you may now be able to do the equivalent for materials of all sorts, from an airplane part to a medical implant. Their new approach allows engineers to figure out what’s going on inside simply by observing properties of the material’s surface.
The team used a type of machine learning known as deep learning to compare a large set of simulated data about materials’ external force fields and the corresponding internal structure, and used that to generate a system that could make reliable predictions of the interior from the surface data.
The results are being published in the journal Advanced Materials, in a paper by doctoral student Zhenze Yang and professor of civil and environmental engineering Markus Buehler.
“It’s a very common problem in engineering,” Buehler explains. “If you have a piece of material — maybe it’s a door on a car or a piece of an airplane — and you want to know what’s inside that material, you might measure the strains on the surface by taking images and computing how much deformation you have. But you can’t really look inside the material. The only way you can do that is by cutting it and then looking inside and seeing if there’s any kind of damage in there.”
One potential application of the new method is nondestructive testing; you no longer have to open a metal pipe, for instance, to detect defects. Credit: Courtesy of the researchers
It’s also possible to use X-rays and other techniques, but these tend to be expensive and require bulky equipment, he says. “So, what we have done is basically ask the question: Can we develop an AI algorithm that could look at what’s going on at the surface, which we can easily see either using a microscope or taking a photo, or maybe just measuring things on the surface of the material, and then trying to figure out what’s actually going on inside?” That inside information might include any damages, cracks, or stresses in the material, or details of its internal microstructure.
The same kind of questions can apply to biological tissues as well, he adds. “Is there disease in there, or some kind of growth or changes in the tissue?” The aim was to develop a system that could answer these kinds of questions in a completely noninvasive way.
Achieving that goal involved addressing complexities including the fact that “many such problems have multiple solutions,” Buehler says. For example, many different internal configurations might exhibit the same surface properties. To deal with that ambiguity, “we have created methods that can give us all the possibilities, all the options, basically, that might result in this particular [surface] guion.”
La técnica que desarrollaron implicó entrenar un modelo de IA utilizando grandes cantidades de datos sobre medidas de superficie y las propiedades interiores asociadas con ellas. Esto incluía no solo materiales uniformes, sino también materiales con diferentes materiales combinados. “Algunos aviones nuevos están hechos de compuestos, por lo que fueron diseñados deliberadamente para tener diferentes fases”, explica Buehler. “Y, por supuesto, también en biología, cualquier tipo de material biológico estará formado por varios componentes y tienen propiedades muy diferentes, como en los huesos, donde tienes proteínas muy blandas y luego tienes minerales muy rígidos”.
La técnica incluso funciona para materiales cuya complejidad no se entiende completamente, dice. “Con un tejido biológico complejo, no entendemos exactamente cómo se comporta, pero podemos medir el comportamiento. No tenemos una teoría al respecto, pero si tenemos suficientes datos recopilados, podemos entrenar el modelo. »
Yang dice que el método que desarrollaron es ampliamente aplicable. “No se limita solo a problemas de mecánica sólida, sino que también se puede aplicar a diferentes disciplinas de ingeniería, como la dinámica de fluidos y otros tipos”. Buehler agrega que se puede aplicar a la determinación de una variedad de propiedades, no solo tensión y deformación, sino también campos de fluidos o campos magnéticos, por ejemplo, los campos magnéticos dentro de un reactor de fusión. Es “muy universal, no solo para diferentes materiales, sino también para diferentes disciplinas”.
Yang dice que comenzó a pensar en este enfoque cuando estaba estudiando datos sobre material donde algunas de las imágenes que estaba usando eran borrosas, y se preguntó cómo sería posible “llenar el espacio en blanco” de los datos faltantes en el área borrosa. . “¿Cómo podemos recuperar esta información faltante? el se preguntó. Leyendo más, descubrió que este era un ejemplo de un problema común, conocido como el problema inverso, de tratar de recuperar información faltante.
El desarrollo del método involucró un proceso iterativo, con el modelo haciendo predicciones preliminares, comparándolas con datos reales sobre el material en cuestión y luego refinando aún más el modelo para que coincida con esa información. El modelo resultante se probó en casos en los que los materiales se comprenden lo suficientemente bien como para poder calcular las propiedades internas reales, y las predicciones del nuevo método coincidieron bien con estas propiedades calculadas.
Los datos de entrenamiento incluyeron imágenes de las superficies, pero también varios otros tipos de mediciones de las propiedades de la superficie, incluidas las tensiones y los campos eléctricos y magnéticos. En muchos casos, los investigadores utilizaron datos simulados basados en la comprensión de la estructura subyacente de un material determinado. E incluso cuando un material nuevo tiene muchas características desconocidas, el método aún puede generar una aproximación lo suficientemente buena como para brindar a los ingenieros una guía general sobre cómo proceder con mediciones adicionales.
Como ejemplo de cómo se podría aplicar esta metodología, Buehler señala que los aviones de hoy en día a menudo se inspeccionan probando algunas áreas representativas con métodos costosos como los rayos X, ya que sería imposible probar todo el avión. “Es un enfoque diferente, en el que tienes una forma mucho más económica de recopilar datos y hacer predicciones”, dice Buehler. “A partir de ahí, puede tomar decisiones sobre dónde quiere buscar y tal vez usar equipos más caros para probarlo”.
Para empezar, espera que este método, que está disponible gratuitamente para todos a través del sitio web de GitHub, se aplique principalmente en el laboratorio, por ejemplo, para probar materiales utilizados para aplicaciones de robótica blanda.
Para tales materiales, dice: “Podemos medir cosas en la superficie, pero a menudo no tenemos idea de lo que sucede dentro del material, porque está compuesto de un hidrogel o proteínas, o biomateriales para actuadores, y no hay teoría para eso. Así que esta es un área en la que los investigadores podrían usar nuestra técnica para hacer predicciones sobre lo que sucede en el interior y, tal vez, diseñar mejores abrazaderas o mejores compuestos”, agrega.
Referencia: “Rellene el espacio en blanco: enfoques transferibles de aprendizaje profundo para recuperar la información faltante del campo físico” por Zhenze Yang y Markus J. Buehler, 19 de marzo de 2023, Materiales avanzados.
DOI: 10.1002/adma.202301449
La investigación fue apoyada por la Oficina de Investigación del Ejército de EE. UU., la Oficina de Investigación Científica de la Fuerza Aérea, la plataforma GoogleCloud y MIT Quest for Intelligence.
